در ابتدا لازم است که خود مدیران و رهبران سازمان به داده‌‌‌های موجود در آنجا اعتماد کامل داشته باشند و با استفاده از داده‌‌‌های معتبر و قابل‌‌‌اتکا اقدام به تصمیم‌گیری‌‌‌های آگاهانه کنند. به ‌‌‌طور کلی، سواد داده را می‌توان این‌‌‌گونه تعریف کرد: توانایی درک داده و کار کردن با داده‌‌‌های موجود در سازمان با هدف ایجاد اثرات مثبت بر کسب‌وکار سازمان. در واقع میزان اهمیت سواد داده برای یک سازمان، هم‌اندازه اهمیت مهارت‌‌‌های کلیدی و مهمی همچون مهارت مذاکره، ارتباطات و مدیریت افراد است.

به همین دلیل سواد داده در سازمان‌های امروز و فردا به‌‌‌عنوان یک مزیت رقابتی و یک برگ برنده به‌‌‌حساب می‌‌‌آید. در نتیجه از هر مدیری انتظار می‌رود که به طور پیوسته و آگاهانه در راستای ارتقای سواد داده خود گام بردارد و با ترویج فرهنگ استفاده بهینه از داده‌‌‌های موجود در سازمان، تمام کارکنان را به سمت کار کردن با داده هدایت کند.

 اعتماد به داده و استفاده بهینه و حداکثری از آن

مهارت‌‌‌های رهبری سازمانی نوین عمدتا بر مبنای اعتماد به داده با هدف اتخاذ تصمیم‌‌‌های درست و هدایت آگاهانه سازمان به سمت ‌‌‌و سوی درست و دستیابی به نتایج درست شکل‌‌‌ گرفته‌‌‌اند. با این ‌‌‌همه، باید دانست که اعتماد پیدا کردن مدیران به داده به ‌‌‌راحتی اتفاق نمی‌‌‌افتد و هستند مدیرانی که تمایل دارند در تصمیم‌گیری‌‌‌های خود بر اساس استدلال‌‌‌ها و تفکرات خودشان عمل کنند، نه داده‌‌‌های جمع‌‌‌آوری‌شده در سازمان. در واقع بسیاری از رهبران سازمان‌ها و شرکت‌ها ترجیح می‌دهند تصمیم‌گیری‌‌‌های کلان سازمانی را بر اساس دانسته‌‌‌ها و تجربیات خودشان انجام دهند، نه اینکه بر اساس رهنمون‌‌‌ها و توصیه‌‌‌های برآمده از پردازش داده توسط کارکنانشان اقدام به تصمیم‌گیری کنند. آنها این کار را یک نوع خلع سلاح شدن و تسلیم ‌‌‌شدن در برابر نظرات و پیشنهادهای زیردستانشان می‌‌‌پندارند.

 درک درست فرآیندهای داده‌‌‌ای شرکت شما

ایجاد و تقویت سواد داده در یک سازمان، نیازمند تلاش مستمر و اهتمام ویژه رهبری و کارکنان آن سازمان است و چیزی نیست که به ‌‌‌صورت ضربتی یا دستوری قابل پیاده ‌‌‌شدن باشد. اجرای آن هم نیازمند به ‌‌‌وجود آمدن تغییرات بنیادین در نحوه تفکر مدیران و کارکنان است. این تغییر نیازمند زمان است و چه ‌‌‌بهتر که این کار با یک رویکرد سیستماتیک و در چارچوب‌‌‌های مشخصی صورت پذیرد. در واقع اگر رهبری یک سازمان بکوشد تا به‌‌‌صورت دستوری و با ملزم ‌‌‌کردن کارکنان به استفاده از داده در تصمیم‌گیری‌‌‌های خود در این مسیر گام بردارد، به طور حتم راه به جایی نخواهد برد و قطعا شکست خواهد خورد. به ‌‌‌طور کلی پیشنهاد می‌شود رهبرانی که مشتاق ترویج سواد داده و فرهنگ استفاده از داده در سازمان‌های متبوع خود هستند به سه سوال اصلی و مهم پاسخ دهند که عبارتند از:

  استفاده بهینه از داده چگونه می‌تواند به کسب سود مالی واقعی منجر شود؟  پول درآوردن از داده یکی از ارکان اصلی یک استراتژی داده‌‌‌ای محسوب می‌شود که انگیزه‌‌‌ها را برای تمرکز بر داده در شرکت‌ها به‌‌‌شدت افزایش می‌دهد؛ چرا که اگر کارکنان، سهامداران و سایر ذی‌نفعان شرکت‌ها بفهمند که استفاده بهینه از داده تا چه حد می‌تواند پول‌‌‌ساز و سودآور باشد، آنگاه بسیاری از موانع و محدودیت‌های موجود در این زمینه برداشته خواهند شد.

  زیرساخت‌‌‌های موردنیاز برای ایجاد دارایی‌‌‌های داده‌‌‌ای کدامند؟  رهبران یک سازمان باید به ‌‌‌درستی دریابند که برای پیاده‌سازی استراتژی‌‌‌های داده‌‌‌ای به چه بسترها و زیرساخت‌‌‌هایی نیاز است و برای تامین این زیرساخت‌‌‌ها چه باید کرد. به ‌‌‌طور کلی، برای پیاده‌سازی موفق استراتژی‌‌‌های داده‌‌‌ای به زیرساخت‌‌‌هایی همچون مدیریت داده، داده‌‌‌های بزرگ و کاتالوگ‌‌‌های داده‌‌‌ای نیاز است و یکی از کارکردهای رهبران در این میان عبارت است از جلب نظر و مشارکت ‌‌‌دادن ذی‌نفعان و سرمایه‌گذاران در زمینه بسترسازی برای تقویت سواد داده در سازمان.

  افراد چگونه می‌توانند درباره داده بیاموزند؟ رهبران سازمان‌ها و شرکت‌ها باید به کارکنانشان کمک کنند تا هم درباره داده به‌‌‌خوبی آموزش ببینند و آگاهی‌‌‌های خود را در این زمینه افزایش دهند و هم از داده‌‌‌های موجود در سازمان استفاده کنند. بعد از پاسخ‌گویی به سه سوال کلیدی بالا نوبت می‌رسد به استفاده عملی از داده و به‌‌‌ کار بستن آن در دنیای واقعی و در موقعیت‌‌‌های مختلف کاری. برای موفقیت در این زمینه رهبران سازمان‌ها و شرکت‌ها باید نکات زیر را مدنظر داشته باشند:

۱- از پتانسیل‌‌‌های نهفته در داده‌‌‌های موجود در سازمان اطلاع دقیق و کاملی به دست آورید. اگر شما به انبوهی از داده در سازمانتان دسترسی داشته باشید؛ اما ندانید چه استفاده‌‌‌ها و کاربردهایی می‌توان از این داده داشت به‌‌‌ احتمال زیاد راه به جایی نخواهید برد و آن‌چنان که باید و شاید نخواهید توانست سواد داده سازمانتان را ارتقا دهید. بنابراین آگاهی کامل و دقیق از پتانسیل‌‌‌های نهفته در داده‌‌‌های موجود در سازمان، گامی مهم و اساسی در زمینه مدیریت بهینه داده محسوب می‌شود.

۲-به یاد داشته باشید که داده مبهم و پیچیده است. همیشه درجه‌‌‌ای از ابهام و پیچیدگی در داده‌‌‌های موجود به چشم می‌‌‌خورد که استفاده حداکثری از پتانسیل‌‌‌های نهفته در داده را با مشکل روبه‌‌‌رو می‌‌‌سازد. بنابراین رهبران سازمان باید ضمن کنار آمدن با این پوشیدگی‌‌‌ها و پیچیدگی‌‌‌ها به کارکنان خود این اطمینان را بدهند که حتی در صورت شکست ‌‌‌خوردن پروژه‌‌‌های داده‌‌‌ای نیز از آنها حمایت خواهد شد و از طریق تامین اطلاعات و داده‌‌‌های بیشتر و تکمیلی، به آنها امدادرسانی خواهد شد.

۳- روابط علت و معلولی بین داده‌‌‌های مختلف را کشف کنید. داده‌‌‌های مختلف دارای ارتباطات و پیوندهای معناداری با هم هستند که کشف این پیوندها می‌تواند به استفاده حداکثری و ترکیبی از داده کمک کند و یک نوع همسویی و هماهنگی موثر در فرآیندهای داده جاری در سازمان به وجود آورد.

به‌‌‌طورکلی، برای ترجمه از یک ‌‌‌زبان به زبانی دیگر به چیزی نیاز هست که به آن«وابستگی‌‌‌های متوالی» گفته می‌شود؛ به این معنا که شبکه‌‌‌های عصبی استاندارد یکسری الگوهای شکل‌‌‌گرفته بین ورودی‌‌‌ها و خروجی‌‌‌ها را تشخیص می‌دهند، به‌‌‌طوری‌‌‌ که می‌توان قبل از دیدن کلمه‌‌‌ای که به دنبال شروع شدن یک جمله خواهد آمد آن را به شکلی حدس زد. به ‌‌‌عنوان‌‌‌ مثال، برای تکمیل جمله «می‌‌‌خواهم همراه با ------ به پیاده‌‌‌روی بروم» احتمال آمدن کلمه «سگ» خیلی بیشتر از کلمه «گربه» خواهد بود. محققان برای دستیابی به الگوهای مبتنی بر وابستگی متوالی، اقدام به استفاده از متونی می‌‌‌کردند که قبلا ترجمه ‌‌‌شده بودند و این امکان را به هوش مصنوعی می‌‌‌دادند تا از دل متون ترجمه‌‌‌‌شده و مطابقت دادن آن با متن اصلی، دست به الگویابی‌‌‌های نامحدود بزند. در نتیجه شبکه‌‌‌های عصبی بسیار قدرتمندی مانند ترانسفورمرها و BERT گوگل به وجود آمدند که کار جست‌وجو در اینترنت را خیلی راحت‌‌‌تر کردند. در روش‌های قدیمی، آموزش ماشین‌‌‌های ترجمه با استفاده از ورودی‌‌‌هایی با فرمت‌‌‌های محدود صورت می‌‌‌گرفت که عمدتا شامل متن کتاب‌‌‌های پرفروش، مقالات چاپ‌‌‌شده در ژورنال‌‌‌های شناخته‌‌‌شده و متون رسمی درج‌‌‌شده در وب‌سایت‌‌‌ها و نشریات بود.

در روش‌های جدید اما علاوه بر این منابع از طیف وسیعی از منابع متنوع شامل انواع مقالات و کتاب‌‌‌ها، محتوای رسانه‌‌‌های اجتماعی، فیلم‌‌‌ها و زنجیره‌‌‌ها، خاطرات سفر و هرگونه محتوای رسمی و غیررسمی قابل‌‌‌دسترس از طریق اینترنت به‌‌‌عنوان ورودی سیستم استفاده می‌شود. به همین دلیل هم بود که وقتی گوگل شروع به استفاده از شبکه‌‌‌های عصبی عمیق در سرویس ترجمه گوگل کرد که با این نوع محتوا آموزش‌‌‌ دیده بود، عملکردش تا ۶۰‌درصد افزایش پیدا کرد و سرویسی مطلوب‌‌‌تر و طبیعی‌‌‌تر را در اختیار کاربران بی‌‌‌شمارش در جهان قرار داد.

به هر حال، توانایی ترجمه متون و طبقه‌‌‌بندی کردن تصاویر یک ‌‌‌چیز است و توانایی تولید و آفریدن متون و تصاویر و صداهای جدید چیز دیگر. برای چنین آفرینشی در ابتدا باید شبکه‌‌‌های عصبی مولد را با استفاده از متون و تصاویر تحت آموزش قرار داد و پس از تکمیل این آموزش‌‌‌هاست که این شبکه‌‌‌ها خواهند توانست دست به تولید متن‌‌‌ها و تصاویر جدیدی بزنند که قبلا وجود نداشته‌‌‌اند و درعین‌‌‌حال کاملا واقعی به‌نظر می‌‌‌رسند.

بااین‌‌‌همه باید هوشیار بود که هر چقدر دامنه توانایی هوش مصنوعی در تولید و آفرینش محتوا افزایش بیشتری پیدا کند، بر احتمال آفرینش «دروغ‌‌‌های عمیق» و محتوای نادرستی که امکان تشخیص آنها از واقعیت بسیار سخت و گاه غیرممکن است نیز افزوده خواهد شد. باید توجه داشت همان‌طور که هوش مصنوعی مولد هم می‌تواند به غنی‌‌‌سازی فضای اطلاعاتی ما انسان‌‌‌ها کمک کند و هم باعث گمراهی و گول خوردن ما شود، باید در برخورد با این ماشین‌‌‌های آفریننده و سازنده جانب احتیاط را رعایت کرد و مواظب از بین رفتن مرز بین واقعیت و فانتزی بود.

یکی از بهترین تکنیک‌‌‌های آموزشی رایج برای ایجاد هوش مصنوعی مولد بر مبنای قرار دادن دو شبکه با اهداف یادگیری تکمیلی در برابر همدیگر شکل ‌‌‌گرفته که GAN نام دارد و مخفف عبارت «شبکه‌‌‌های مولد موافق» (Generative Adversarial Network) است که نقطه مقابل شبکه‌‌‌های مولد مخالف محسوب می‌‌‌شوند. هدف اصلی این شبکه‌‌‌ها ایجاد تعداد زیادی خروجی بالقوه است. اگر بخواهیم در مقام مقایسه برآییم می‌توانیم شبکه‌‌‌های مولد موافق را به شبکه‌‌‌هایی تشبیه کنیم که اجرای توفان مغزی و ایده‌‌‌پردازی نامحدود را بر عهده می‌‌‌گیرند، در حالی که شبکه‌‌‌های مولد مخالف به دنبال ارزیابی و سنجش ایده‌‌‌های موجود و تفکیک آنها هستند. با این‌‌‌حال در هوش مصنوعی عمیق امروز، هم شبکه‌‌‌های مولد موافق و هم مخالف به‌‌‌صورت توأمان مورد استفاده قرار گرفته و آنچه در این شبکه‌‌‌های مولد آفریده می‌شود در اختیار شبکه دیگر نیز قرار داده می‌شود.

GPT-۳ قادر به تولید متن‌‌‌هایی کاملا شبیه به متن‌‌‌های ساخته ‌‌‌و پرداخته انسان‌‌‌هاست و نمونه‌‌‌ای است از پیشرفته‌‌‌ترین مولدهای هوش مصنوعی که توانسته ترجمه زبان را به «تولید زبان» بسط و گسترش دهد. تنها کافی است چند لغت به او بدهید و آنچه از این ماشین فوق‌‌‌العاده تحویل می‌‌‌گیرید جملاتی طبیعی و کاملا درست است که شما را به حیرت می‌‌‌اندازد یا می‌توانید یک جمله موضوع به او بدهید و یک پاراگراف کامل و بی‌‌‌نقص از او تحویل بگیرید. در واقع مبدل‌‌‌هایی مانند GPT-۳ قادر به شناسایی الگوهای موجود در عناصر متوالی مانند متون هستند و این قابلیت به آنها این امکان را می‌دهد که عناصر مشابه این الگوها را پیش‌بینی و تولید کنند. علاوه بر این، چنین مبدل‌‌‌هایی می‌توانند با استفاده از حجم عظیم دیتای موجود در اینترنت حتی متن‌‌‌ها را به تصاویر و تصاویر را به متن تبدیل کنند. با این ‌‌‌همه باید دانست که خروجی نهایی این مبدل‌‌‌ها همیشه و در همه حالت بی‌‌‌نقص و بهینه نیست و بارها پیش‌‌‌آمده آنچه از این سیستم‌ها خارج‌‌‌ شده یکسری خروجی‌‌‌های مبهم و گاه مضحک و خنده‌‌‌دار است. همین موضوع نشان‌‌‌دهنده وجود محدودیت‌ها و نقاط ضعفی است که دانشمندان هوش مصنوعی در حال شناسایی و تلاش برای رفع آنها هستند.

در جنگل‌‌‌های استوایی بالغ، درختان غالب به حداکثر رشد خود رسیده و انگار به رخوت فرو می‌‌‌روند. درختان کوچک‌تر، بوته‌‌‌ها و علف‌‌‌ها هم به دلیل قرار گرفتن در سایه انبوه، امکان چندانی برای رشد و خودنمایی ندارند. اما به محض آنکه آشوب یا اختلالی در این وضعیت ایجاد شود، همه چیز به تحرک درمی‌‌‌آید. بوم‌‌‌شناسان می‌‌‌دانند که بیشترین رشد و شکوفایی جنگل‌‌‌ها پس از آشوب‌‌‌هایی مانند آتش‌‌‌سوزی یا سیل‌‌‌های مخرب است. در زمین‌‌‌های خالی‌شده، فرصت رشد و مشاهده پویایی زندگی فراهم می‌شود. انواع گونه‌‌‌های گیاهی و جانوری به تکاپو درمی‌‌‌آیند تا باز هم دوره‌‌‌ای صد تا چندصدساله از رقابت و همکاری طبیعی دیده شود.

سازمان‌ها و شرکت‌های بزرگ نیز چنین هستند. با بلوغ و رسیدن آنها به حداکثر اندازه ممکن، رخوت فرا می‌رسد و دیگر خبر چندانی از نوآوری و پویایی نخواهد بود. کارکنان، بی‌‌‌انگیزه و سرخورده می‌‌‌شوند و این هشداردهنده مرگ است؛ مگر آنکه آشوبی هدفمند اتفاق بیفتد. رهبران سازمان با تشویق کارکنان به شورش در مقابل سنت‌‌‌ها و رویه‌‌‌های سازمان و بهره بردن از بهترین نسخه آنها می‌توانند مشارکتشان را افزایش داده و اوضاع سازمان را متحول سازند.

زمانی که گرگ دایک (Greg Dyke) در اوایل دهه ۲۰۰۰میلادی به بی‌‌‌بی‌‌‌سی رفت، سازمانی بنیان نهاد که بی‌‌‌صبرانه به دنبال اصلاحات بود. بی‌‌‌بی‌‌‌سی در آن دوران که دهه‌‌‌ها از فعالیتش می‌‌‌گذشت، با مشکلات مالی فراوان دست‌‌‌ به گریبان بود و جایگاه خود را در عرصه خبرگزاری جهان از دست می‌‌‌داد. اما تغییرات فرارسیدند. دایک (مدیرعامل جدید بی‌‌‌بی‌‌‌سی که البته اکنون در این سمت مشغول به فعالیت نیست)، برای نشان دادن تغییرات مطلوب خود از کارت‌‌‌های زردی استفاده می‌‌‌کرد که معمولا در دست داوران فوتبال می‌‌‌بینیم. هر کس که تخلفی مرتکب می‌‌‌شد، یک کارت زرد در مقابل چشمان خود می‌‌‌دید. تخلف از نگاه او، محدود کردن افکار بود. هر زمان که تیم مدیریتی مشاهده می‌‌‌کرد که یک نفر در حال مخالفت با ایده خوب یکی از کارکنان است، کارت زرد را به او می‌‌‌دادند و به دفاع از فرد دگراندیش صحبت می‌‌‌کردند. دایک درباره هدف خود از این ابداع توضیح داده است که می‌‌‌خواستم «بهانه‌‌‌جویی‌‌‌ها تمام شده و راه بروز و عملی شدن ایده‌‌‌ها باز شود». این شیوه مدیریتی نامتداول، تنها یکی از اقداماتی بود که دایک با آزادی عمل دادن به کارکنان بی‌‌‌بی‌‌‌سی و تشویق آنها به حرف زدن در پیش گرفت. البته روش او نتیجه‌‌‌بخش هم بود: تنها یک سال پس از شروع به کار او، امتیاز مخاطبان به بی‌‌‌بی‌‌‌سی و رضایت آنها افزایش یافت.

طبیعی است که بسیاری از سازمان‌ها پس از مدتی متوجه شوند که رویه‌‌‌های کاری مرسوم آنها نتایج مفیدی در پی ندارند، کارکنان و مدیران به وضع موجود رضایت داده‌‌‌اند و در پی انطباق خود با صنعت یا تغییرات بازار نیستند. بخشی از این مشکل به دلیل ذات نگرش و رفتار انسانی است که پس از یادگیری اولیه، همه چیز را به ضمیر ناخودآگاه و عادات می‌‌‌سپارد.  به این صورت می‌تواند انرژی کمتری مصرف کند (موضوعی که برای نیاکان غارنشین ما یک مزیت و شاید یک الزام بود). فرهنگ سازمانی نیز این عادت و رضایت به رویه‌‌‌ها را تقویت می‌کند. اما زمانی که خطر شکست احساس شود، رهبران به سمت اقدامات انقلابی تمایل می‌‌‌یابند: زمان بازسازماندهی فرا می‌‌‌رسد، در ارزش‌‌‌های سازمانی بازنگری می‌کنند یا با یک شرکت تحول‌‌‌آفرین ادغام می‌‌‌شوند. پژوهش من راه‌‌‌حل متفاوتی را پیشنهاد می‌دهد: به کارکنان خود بگویید که قوانین را بشکنند. زمانی که جهان به ابهام و سردرگمی دچار می‌شود، مشکلات ما پیچیده‌‌‌تر می‌‌‌شوند. همان‌طور که در کتاب «استعدادهای شورشی» خود نوشته‌‌‌ام، افراد شورشی از شرایط و ایده‌‌‌های جدید هراسی ندارند و در کار و زندگی خود به دنبال تغییرات می‌‌‌روند.

آنها در این راه، از شکستن قوانین و روش‌های مرسوم دیگران، اِبایی ندارند.

از این ویژگی می‌توان بهره گرفت و افراد را به شورش بهره‌‌‌ورانه تشویق کرد. در این صورت، سازمان‌ها می‌توانند در محیط رقابتی پرتلاطم امروز، همچنان موفق باقی بمانند.

البته که هیچ‌کس از افراد مشکل‌‌‌آفرین شرکت خوشش نمی‌‌‌آید. شاید همه ما تجربه کار کردن با افرادی را داشته‌‌‌ایم که به ساختارهای کاری احترام نگذاشته و باعث هدر رفتن زمان و منابع کار شده باشند. اقدامات شورشی و توخالی آنها باعث عقب افتادن کارها می‌شود. اما برخی از قانون‌‌‌شکن‌‌‌ها متفاوت هستند. شورشیان پژوهش من به این دلیل لایق توجه و احترام هستند که به ما ارزش شکستن قوانین به شیوه‌‌‌هایی بهره‌‌‌ور و مثبت را می‌‌‌آموزند. من بیش از یک دهه به مطالعه شورشیان در صنایع و سازمان‌های مختلف سراسر جهان پرداخته‌‌‌ام؛ از بوتیک‌‌‌های لوکس ایتالیایی تا فست‌‌‌فودهای زنجیره‌‌‌ای تا یک استودیوی انیمیشنی برنده اسکار. در این مطالعات متوجه شدم که رهبران تمام سازمان‌ها و شرکت‌های موفق، به حمایت و تشویق کارکنان شورشی پرداخته و اجازه داده‌‌‌اند تا آنها با روش‌های کاری متفاوت خود، اوضاع را بهبود دهند. نخستین استعداد و مهارت شورشیان، تازگی است: آنها به جای اجتناب از شرایط ناشناخته به استقبال آن می‌‌‌روند. بسیاری از ما انتخاب می‌‌‌کنیم که سال‌های سال در حرفه‌‌‌های شغلی ثابتی باقی مانده و وظایف کاری مشابهی را بارها و بارها انجام دهیم. ما این تفکر را داریم که ثبات، کلید خوشحالی در کار است و علایق عمیق خود را با راحتی رویه‌‌‌های ثابت تاخت می‌‌‌زنیم. اما زمانی که به مطالعه ۳۰۰ نیروی کار جدید در سازمان‌ها و صنایع مختلف ایالات متحده پرداختم، نتیجه متفاوتی حاصل شد. من دریافتم که هر قدر این کارکنان تجربیات نو و بدیع بیشتری داشته باشند

(چه از طریق یادگیری مهارت‌‌‌های جدید، برخورد با کارکنان جدید یا فعالیت در وظایف کاری چالشی) رضایت و انرژی آنها در کارشان افزایش یافته و تمایل بیشتری خواهند داشت تا مدتی طولانی در شغل خود باقی بمانند.  

به نظر نمی‌رسد که ثبات چنین منافعی را به دنبال داشته باشد. زمانی که کارکنان می‌‌‌گفتند «شغل آنها کم‌‌‌وبیش هر روز ثابت است» رضایت شغلی کمتری داشتند و تمایل به ترک شغل پیدا می‌‌‌کردند. این یافته محدود به ایالات متحده نیست. پژوهش من نشان می‌دهد که چنین موضوعی در سازمان‌های سراسر جهان مصداق دارد.

فارغ از مسوولیت‌‌‌هایی که ما به عنوان رهبران سازمانی داریم، همواره می‌توان راه‌‌‌هایی برای تزریق موارد نو و بدیع به کار افراد پیدا کرد؛ حتی زمانی که فقط بحث اجرا مطرح است و نیاز به تکرار رویه‌‌‌های فراوان دیده می‌شود.

در بیشتر فروشگاه‌‌‌های فست‌‌‌فود زنجیره‌‌‌ای، کارکنان جدید پیش از شروع به کار خود، یک آموزش دو ساعته را می‌‌‌گذرانند. اما این دوره آموزشی دو ساعته در رستوران‌‌‌های زنجیره‌‌‌ای فست‌‌‌فود پلز (Pal’s Sudden Service)  به این شکل دیده نمی‌شود؛ رستورانی آمریکایی که شعبه‌‌‌های آنها با ساختمان‌‌‌های آبی‌‌‌ آسمانی و مجسمه‌‌‌های بزرگ سیب‌‌‌زمینی و همبرگر روی سقف آنها شناخته می‌‌‌شوند.

در پلز، آموزش‌‌‌های کارکنان ۱۳۵ ساعت است و ممکن است ۶ ماه طول بکشد. البته این تفاوت آموزش، تنها تفاوت با سایر رقبا نیست. در بیشتر رستوران‌‌‌های زنجیره‌‌‌ای فست‌‌‌فود، یک برنامه کاری قابل پیش‌بینی وجود دارد که به کارکنان می‌‌‌گوید هر روز خود را چگونه خواهند گذراند. اما در پلز، تنوع کاری یکی از ویژگی‌‌‌های شغلی است. در این رستوران‌‌‌ها رویه کاری ثابتی وجود ندارد، کارکنان می‌توانند در شعبه‌‌‌های مختلف به کار مشغول شوند و هر روز را با یادگیری شیوه کار متفاوت بگذرانند.  در این رستوران‌‌‌ها کسی از یکنواختی و سادگی کار خسته نمی‌شود. برای این منظور، مدیران نیز موارد پیش‌بینی‌‌‌نشده‌‌‌ای را به کار تزریق کرده‌‌‌اند که نتایج فوق‌‌‌العاده‌‌‌ای داشته است.

 یکی دیگر از استعدادهای ویژه شورشیان، نگاه و طرز تفکر آنهاست. بسیاری از ما تنها یک نگاه به موقعیت یا مشکل پیش روی خود می‌‌‌اندازیم و تصور می‌‌‌کنیم که آن را به خوبی درک کرده‌‌‌ایم. اما شورشیان، گزینه‌‌‌ها و نگاه‌‌‌های مختلفی را به موضوع امتحان می‌کنند. کاپیتان چسلی سالین‌‌‌برگر (معروف به سالی) را در نظر بگیرید؛ خلبان آمریکایی معروفی که در یک روز سرد زمستانی در ژانویه ۲۰۰۹، هواپیمای خود را به سلامت روی رودخانه هاستون نشاند. سالی تنها ۲۰۸ ثانیه پس از آنکه متوجه شد هر دو موتور هواپیما از کار افتاده‌‌‌اند، روی رودخانه نشست. بیشتر خلبان‌‌‌ها در چنین شرایطی راه‌‌‌حل آشکارتر را در پیش می‌‌‌گیرند: نشستن در نزدیک‌‌‌ترین فرودگاه. اما سالی با آنکه زمان اندکی داشت، گزینه‌‌‌های مختلف را بررسی کرد. او به جای محدود کردن خود به فکر کردن درباره آنچه «باید» انجام دهد، به آنچه «می‌توان» انجام داد، پرداخت و به این صورت گزینه‌‌‌های خود را از یک مورد به چند مورد افزایش داد. او با گسترده ساختن دایره نگاه خود به مساله، نه تنها از دستورالعمل‌‌‌های معمول شرایط بحرانی هوانوردی پیروی کرد، بلکه مواردی را در نظر گرفت که در این دستورالعمل‌‌‌ها نیامده است. او نشان داد که شورشیان مجبور نیستند بین تفکر خلاق خود و اقدامات سرنوشت‌‌‌ساز، یکی را انتخاب کنند؛ بلکه می‌توانند هر دو را مدیریت کنند.

شورشیان، نگاه و تفکر گسترده خود را در شرایط مختلف حفظ می‌کنند. آنها به جای آنکه از خود بپرسند «چه کاری باید انجام دهم؟» می‌‌‌پرسند که «چه کاری می‌توانم انجام دهم؟» با این تغییر در نگاه به مساله، دایره گزینه‌‌‌ها برای آنها بسیار متنوع‌‌‌تر می‌شود که برخی از آنها نتایج بهتری به دنبال خواهند داشت.  به طور کلی، آنهایی که در گروه فکری «می‌توانم» قرار می‌‌‌گیرند، قادر هستند تا راه‌‌‌حل‌‌‌های خلاقانه‌‌‌تری برای مسائل پیشنهاد دهند. برخورد با مسائل با نگاه «بایدی» ما را به سمت آشکارترین پاسخ می‌‌‌برد. اما زمانی که به می‌توانم‌‌‌ها فکر کنیم، تخیل ما به کار می‌‌‌افتد و کمک می‌کند تا راهکارهایی بهتر بیابیم. یکی دیگر از استعدادهای شورشیان، «اصالت» است. گاهی مخالفت آنها با یک مساله، مخالفتی از روی لجبازی نیست. آنها زمان و انرژی فکری زیادی می‌‌‌گذارند تا تصمیمی آگاهانه بگیرند؛ حتی اگر همکاران و رئیس آنها با آن تصمیم مخالف باشند.

شورشیان حتی در زمان مخالفت دیگران، اصالت خود را با ابراز طرز تفکر متفاوت خود حفظ می‌کنند.

آنها در کار خود به دنبال بهانه‌‌‌تراشی برنمی‌‌‌آیند بلکه می‌‌‌خواهند کارها را به شیوه‌‌‌ای انجام دهند که با ارزش‌‌‌ها و ترجیحات شخصی آنها انطباق داشته باشد. آنها همچنین از نشان دادن شخصیت حقیقی خود در محل کار نمی‌‌‌هراسند. آنها با یافتن روش‌هایی برای انجام کار به شیوه‌‌‌ای که با ارزش‌‌‌ها و اصول اخلاقی‌‌‌شان انطباق داشته باشد، عملکرد و رضایت شغلی خود را بهبود می‌دهند.

به مطالعه میدانی من و همکارانم در یک شرکت فناوری اطلاعات هندی با نام ویپرو (Wipro)  توجه کنید.

این مطالعه روی کارکنان واحد برون‌‌‌سپاری شرکت انجام شد. مشکل این واحد، نگهداشت کارکنان بود و معمولا هر نیروی کار جدید، پس از ۴۵ تا ۶۰ روز از شروع کار خود، استعفا می‌‌‌داد. ما از گروه جدیدی از کارکنان خواستیم که نقاط قوت خود را بروز داده و راه‌‌‌هایی برای انطباق کار با شخصیت خود پیدا کنند.

نتیجه بسیار شگفت‌‌‌انگیز بود. آنها به جای آنکه فرآیند مرسوم معارفه و شروع به کار ویپرو را طی کنند، روش کار متفاوتی را در پیش گرفته و کار را با شخصیت خود انطباق می‌‌‌دادند. فرصت بهره بردن از نقاط قوت آنها باعث شد تا رضایتشان از کار نسبت به کارکنان پیشین آن واحد شرکت افزایش یابد. عملکرد آنها بهتر بود و مدت زمان بیشتری در شرکت باقی ماندند.

اد کتمول (Ed Catmull)  یکی از بنیان‌گذاران و مدیرعامل پیشین استودیو انیمیشن‌‌‌سازی پیکسار و والت‌‌‌دیزنی از این هراس داشت که کارکنان جدید از سکوت محیط کار بترسند و به قدری تحت‌تاثیر کارکنان قدیمی و موفقیت‌‌‌های گذشته شرکت قرار بگیرند که خلاقیت و تفکرات متفاوت خود را بروز ندهند. راه‌‌‌حل او چه بود؟ در جلسه معرفی کارکنان جدید، درباره شکست‌‌‌ها و اشتباهات پیکسار سخن گفت. او به کارکنان جدید یادآوری کرد که همه آنها انسان هستند و اشتباه می‌کنند. من و همکارانم، داده‌‌‌های مرتبط با اصالت شخصیت کارکنان را از شرکت‌ها و صنایع متفاوتی جمع‌‌‌آوری کردیم، اما نتیجه همه آنها شبیه بود. ما یک کمیته داوری سه نفره از سرمایه‌گذاران تشکیل دادیم و از ۱۶۶کارآفرین خواستیم تا ایده‌‌‌های خود را برای آنها تشریح کنند.

در نهایت، کمیته داوری ۱۰ ایده برتر را انتخاب می‌‌‌کرد. اما در پایان این فرآیند از کارآفرینان پرسیدم که آیا خود واقعی‌‌‌شان را نمایش می‌دهند یا نه؟ این سخن به معنای آن بود که آیا کارآفرینان به اصالت و تمایزهای شخصیتی‌‌‌ خود بها می‌دهند یا نه. نتیجه آن بود که کارآفرینان اصیل و با اعتماد به نفس، سه برابر موفق‌‌‌تر از دیگران ظاهر شده بودند. واقعی بودن بسیار مهم است. به لطف اصالت شخصیت و دیگر ویژگی‌‌‌ها و استعدادهای شورشیان، آنها شرایط موجود سازمان‌ها را به چالش می‌‌‌کشند و باعث بهبود و تغییرات مثبت می‌‌‌شوند. میکل‌‌‌آنژ، هنرمند برجسته دوره رنسانس، مجسمه‌‌‌سازی را فرآیندی معرفی کرده است که هنرمند در آن مجسمه‌‌‌ای ایده‌‌‌آل از یک تکه سنگ ایستا و بی‌‌‌تحرک می‌‌‌سازد. تمام ما، شکل‌‌‌ها و تفکراتی ایده‌‌‌آل داریم.  هر کدام از ما ‌‌‌نظرات و نقاط قوت منحصربه‌فردی داریم. قوانین و شیوه‌‌‌های مرسوم کار در سازمان‌های مختلف ما را به چالش می‌‌‌کشد. برخی خود را فراموش می‌کنند و به شیوه‌‌‌های مرسوم تن می‌دهند و برخی با نگاه متفاوت خود این قوانین و شیوه‌‌‌ها را می‌‌‌شکنند.

کارکنان بی‌‌‌بی‌‌‌سی، در گذشته یک دستورالعمل مشخص برای کارهایشان داشتند؛ دستورالعملی که از اتاق مدیر به آنها ابلاغ می‌‌‌شد و حتی شیوه صحیح فکر کردن را نیز به آنها گوشزد می‌‌‌کرد. آنها دستورالعمل‌‌‌ها را دریافت و اجرا می‌‌‌کردند. در عوض، دایک در سالن ناهارخوری با کارکنان می‌‌‌نشست و جویای تفکرات متفاوت آنها می‌‌‌شد.

او می‌‌‌خواست که کار آنها بهبود یابد. او با بهره بردن از نگاه میکل آنژ به تراشیدن یک مجسمه جدید اقدام کرد. رهبران سازمانی دیگر نیز می‌توانند به دنبال نفع بردن از این رویکرد جدید برآیند. چالش کارکنان و رهبران (و همچنین شرکا، والدین و معلمان) آن است که با نگاه متمایز خود، مجسمه‌‌‌ای منحصربه‌فرد از امکانات موجود بسازند.

در واقع، این‌‌‌ یک چالش اساسی در توسعه یادگیری ماشینی به ‌‌‌حساب می‌‌‌آید، چراکه وجود اهداف و کارکردهای گوناگون باعث می‌شود تا به فن‌‌‌های آموزشی متفاوتی نیاز باشد. به‌‌‌طور کلی، سه نوع یادگیری در یادگیری ماشینی وجود دارد: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویت‌‌‌شده. در یادگیری تحت نظارت، هوش مصنوعی خاصی تولید می‌شود که دست‌‌‌ به ‌‌‌کارهایی مانند کشف هالی‌‌‌سین می‌‌‌زند. در پروژه هالی‌‌‌سین، محققان خواستند آنتی‌‌‌بیوتیک‌‌‌های جدیدی را شناسایی کنند و به این منظور از یک بانک اطلاعاتی بزرگ مربوط به دو‌هزار مولکول برای آموزش دادن به مدلی استفاده کردند که ساختار مولکولی را به‌‌‌عنوان ورودی مورد استفاده قرار داد. خروجی‌‌‌اش هم شد اثربخشی آنتی‌‌‌بیوتیک جدیدی که هوش مصنوعی به آن دست‌‌‌ یافت. این نمونه‌‌‌ای بود از یادگیری تحت نظارت انسان، چراکه در اینجا مجموعه اطلاعات مرتبط با ساختارهای مولکولی توسط محققان در اختیار هوش مصنوعی قرار گرفت.

به ‌‌‌طور کلی، محققان از تکنیک‌‌‌های یادگیری تحت نظارت برای اهداف مختلفی همچون تشخیص تصاویر استفاده می‌کنند و برای این کار در ابتدا یکسری تصاویر از قبل نام‌گذاری شده را به هوش مصنوعی آموزش می‌دهند و ارتباط بین آن تصاویر و برچسب‌‌‌هایی را که به آن داده می‌شود مشخص می‌کنند. مثلا همراه با نشان دادن تصاویر گربه‌‌‌های مختلف، عنوان «گربه» را هم به آن اضافه می‌کنند و در اینجا هوش مصنوعی می‌تواند با برقراری ارتباط بین تصاویر و برچسب‌‌‌ها تصاویر جدید را نیز به‌‌‌درستی شناسایی کند و این همان قابلیت پیش‌بینی خروجی‌‌‌ها از طریق آموزش دادن ورودی‌‌‌ها با یادگیری تحت نظارت است. در یادگیری بدون نظارت اما تمام مجموعه اطلاعات به‌‌‌طور کامل در اختیار هوش مصنوعی قرار داده نمی‌شود، بلکه تنها عصاره و شاکله اصلی دیتای موردنیاز ارائه می‌شود و این خود هوش مصنوعی است که از طریق اینترنت و دستیابی به انبوهی از اطلاعات دیجیتالی بقیه دیتای موردنیازش را استخراج می‌کند. امروزه بازاریابان به حجم عظیمی از اطلاعات مشتریان دسترسی دارند، زیست‌شناسان یک بانک اطلاعاتی غنی در مورد دی‌ان‌ای در اختیار دارند و بانکداران نیز اطلاعات کاملی از معاملات و مبادلات مالی مشتریانشان در دست دارند. بنابراین اگر یک بازاریاب بخواهد مشتریان مورد نظرش را بهتر و دقیق‌‌‌تر بشناسد یا یک بانکدار بخواهد معاملات مشکوک مشتریانش را ردیابی کند می‌تواند از طریق یادگیری بدون نظارت هوش مصنوعی به خواسته‌‌‌اش برسد.  

در واقع، یادگیری بدون نظارت این امکان را به هوش مصنوعی می‌دهد تا خودش و بدون محدود بودن به خروجی خاصی اقدام به شناسایی الگوهایی خاص یا غیرعادی کند و در این مسیر فقط به ورودی مورد نظر خودش توجه دارد. در این نوع یادگیری تاکید زیادی بر روی تشخیص و سنجش مشابهت‌‌‌های موجود بین دیتای مختلف وجود دارد. به ‌‌‌عنوان ‌‌‌مثال، سرویس‌‌‌های ارائه‌‌‌دهنده خدمات ویدئویی از الگوریتم‌‌‌هایی استفاده می‌کنند که قادرند مشتریانی با عادات و سلایق مشابهی برای تماشای ویدئوهایی خاص را دسته‌‌‌بندی کنند و پس‌‌‌ از آن بر اساس اولویت‌‌‌ها و علاقه‌‌‌مندی‌‌‌هایشان، تماشای یکسری ویدئوهای دیگر را نیز به آنها پیشنهاد دهند. در اینجا به این دلیل که تمرکز هوش مصنوعی بر روی ورودی و نه خروجی است، این امکان به وجود می‌‌‌آید تا پیش‌بینی درست و دقیقی از واکنش بینندگان ویدئوها صورت پذیرد. این همان کاری است که انسان‌‌‌ها قادر به انجامش نیستند، چراکه تمرکز و توجه انسان به‌‌‌طور ناخواسته به سمت خروجی و نتایج منحرف می‌شود. با این ‌‌‌همه، باید دانست که هم در یادگیری تحت نظارت و هم در یادگیری بدون نظارت عمده تمرکز هوش مصنوعی بر روی استفاده مجموعه‌‌‌ای از داده‌‌‌ها و اطلاعات برای انجام وظایفی خاص مانند کشف روندها، تشخیص تصاویر و پیش‌بینی کردن است.

اما محققان به فراسوی تحلیل داده‌‌‌ها توسط هوش مصنوعی می‌‌‌نگرند و می‌‌‌کوشند تا هوش مصنوعی را به‌‌‌گونه‌‌‌ای آموزش دهند که بتواند در محیط‌‌‌های پویا و متفاوت قادر به عمل باشد. همین‌‌‌جاست که سومین نوع یادگیری ماشینی یعنی یادگیری تقویت‌‌‌شده موضوعیت پیدا می‌کند.  در یادگیری تقویت‌‌‌شده، هوش مصنوعی نقشی ایستا ندارد و فقط اقدام به شناسایی روابط موجود در درون دیتا نمی‌‌‌کند بلکه یک «عامل» در یک محیط کنترل‌‌‌شده است که تمام واکنش‌‌‌ها نسبت به فعالیت‌‌‌هایش را ضبط کرده و با دقت آنها را زیر نظر می‌گیرد. در واقع، فلسفه وجودی یادگیری تقویت‌‌‌شده از آنجا سرچشمه می‌گیرد که هدایت هوش مصنوعی برای خودآموزی در یک محیط مصنوعی و تحت کنترل به‌‌‌تنهایی نمی‌تواند به کسب بهترین عملکرد ممکن منتهی شود و در این میان به بازخوردگیری نیز نیاز هست.

از طریق همین بازخوردگیری است که هوش مصنوعی می‌‌‌فهمد روش‌های مورد استفاده‌‌‌اش تا چه حد موفقیت‌‌‌آمیز و موثر بوده‌‌‌اند. خوشبختانه هوش مصنوعی این قابلیت را دارد تا طی چند ساعت یا نهایتا چند روز، هزاران بار و حتی میلیون‌‌‌ها بار به خودش آموزش دهد و در قبال عملکردش بازخورد دریافت کند و در این میان واقعیت را کشف کرده و موثرترین و بهترین تصمیمات را بگیرد.

نقش انسان در یادگیری ماشینی تقویت‌‌‌شده عبارت است از تعریف یکسری شبیه‌‌‌سازی‌‌‌ها و سیستم‌های پاداش‌‌‌دهی که به‌‌‌عنوان مبنای یادگیری و خودآموزی هوش مصنوعی عمل می‌کنند و عملکرد نهایی هوش مصنوعی را به میزان زیادی بهبود می‌‌‌بخشند.

با گسترش روزافزون یادگیری ماشینی و عمیق‌‌‌تر شدن این روند شرایط به‌‌‌گونه‌‌‌ای در حال رقم خوردن است که کاربردهای جدیدی برای هوش مصنوعی تعریف ‌‌‌شده و می‌شود. امروزه از هوش مصنوعی برای تسهیل و کنترل بهینه سم‌‌‌پاشی در مزارع، شناسایی آفات و بیماری‌‌‌های محصولات زراعی و پیش‌بینی میزان برداشت محصول استفاده می‌شود. در علم پزشکی نیز هوش مصنوعی به ما کمک می‌کند تا داروهای جدیدی را کشف کنیم و کاربردهای جدیدی را برای داروهای موجود بیابیم و شناسایی و پیش‌بینی بیماری‌‌‌هایی را که ممکن است در آینده گریبان افراد را بگیرد به شکل بهتری انجام دهیم. به‌‌‌ عنوان ‌‌‌مثال، هوش مصنوعی این توان را دارد تا بسیار بهتر و زودتر از انسان علائم اولیه سرطان پستان را تشخیص دهد و با آنالیز شاخص‌‌‌های رادیولوژی خیلی زود به کمک کسانی بشتابد که ممکن است در آینده گرفتار این بیماری شوند. در دنیای مالی و بانکداری نیز هوش مصنوعی می‌تواند بسیار کمک‌‌‌کننده و اثربخش باشد، به‌‌‌طوری که این قابلیت را دارد تا فرآیندهایی مانند تایید یا رد درخواست‌‌‌های وام، ادغام شرکت‌ها در هم، اعلام به‌‌‌موقع ورشکستگی و انجام انواع معاملات و مبادلات مالی را به‌‌‌خوبی بر عهده بگیرد.

پژوهش دیگری  پی برد که ۹۵‌درصد از نوجوانان آمریکایی داشتن شغلی در بزرگسالی که از آن لذت ببرند را به شدت مهم یا بسیار مهم دانستند. داشتن شغلی رضایت‌‌‌بخش، بیش از هر اولویت دیگری رده‌‌‌بندی شده است؛ حتی مهم‌تر از کسب پول و کمک به نیازمندان. برای متخصصان و حرفه‌‌‌ای‌‌‌ترین فعالان بازار کار، شغل ماهیتی شبیه به مذهب گرفته است؛ از طریق آن به جز کسب درآمد، راهی برای کسب هویت، معنا، هدفمندی و ارتباط با جهان پیدا می‌‌‌کنند.

دِرک تامپسون، روزنامه‌‌‌نگار این پدیده را شبیه به بسیاری از ایسم‌‌‌ها و ایدئولوژی‌‌‌های دیگر ورکیسم (workism) نام نهاده است. یک ورکیست همان‌طور به دنبال معنای زندگی در کار می‌‌‌گردد که یک فرد مذهبی از دین و باورهایش.

 به نظر تامپسون، ارزش و ماهیت کار در طول قرن بیستم به تدریج تکامل یافته و تبدیل به ابزاری برای خودشناسی و هستی‌‌‌شناسی شده است. شاید نیز بتوان آن را نوعی اعتیاد به کار تعریف کرد.

بررسی‌‌‌های من نشان از شرایط مختلفی در ماهیت کار در عصر جاری دارد. به عنوان مثال، با آنکه ورکیسم در ایالات متحده پررنگ‌‌‌تر است، در سایر نقاط جهان نیز می‌توان آن را دید. ورکیسم همچنین در کشورهای ثروتمندتر رواج بیشتری دارد؛ هرچند در جوامع کم‌‌‌بهره‌‌‌تر نیز رد پایش مشاهده می‌شود.

سومین ویژگی شاخص ورکیسم، رواج گسترده‌‌‌تر آن در نسل‌‌‌های جدید  (مانند نسل من) است. چنین نگاه معناداری به کار، دست‌‌‌کم در بین پدربزرگ‌‌‌ها و مادربزرگ‌‌‌هایمان بسیار کمرنگ‌‌‌تر بوده است.

ایدئولوژی مدرن ورکیسم دو هدف متمایز برای مشاغل نام می‌‌‌برد؛ یکی پول و دیگری رضایت درونی. این اهداف همواره با یکدیگر انطباق ندارند و با این حال انتظار داریم که مشاغل‌‌‌مان هر دو را به ارمغان آورد. لازم است مختصری درباره تاریخچه خانواده خودم بگویم تا شناخت بیشتری از من به دست آورید. مادربزرگم ۳۰سال یک کافی‌‌‌شاپ را اداره می‌‌‌کرد و با این حال، همواره آن را فقط شغلی برای کسب درآمد می‌‌‌دانست. مادرم که اصالتا ایتالیایی بود و پس از ازدواج به آمریکا مهاجرت کرد، تحصیلات روان‌شناسی داشت. او نیز شغل مشاوره خود را فقط راهی برای امرار معاش می‌‌‌دانست. پدرم تنها کسی بود که از شغل خود هویت گرفته بود. او نیز روان‌شناس بود و شغل را راهی برای انجام وظیفه اجتماعی تلقی می‌‌‌کرد. می‌‌‌خواست تا زمانی که نام مراجعانش را به یاد می‌‌‌آورد، به درمان روانی آنها بپردازد. حتی در دوران فراگیری کرونا نیز هر زمان که فرصت می‌‌‌کرد، به دفتر کارش می‌‌‌رفت.

نام خودم سیمون است و من نیز معتاد به کار هستم. دست‌‌‌کم هنوز در حال ترک و بهبود هستم. در طول زندگی، رویای شغل‌‌‌های زیادی را در سر پرورانده‌‌‌ام. می‌‌‌خواستم روزنامه‌‌‌نگار شوم، یا طراح، وکیل، دیپلمات، شاعر و بازیکن تیم بیس‌‌‌بال جاینتز سن‌‌‌فرانسیسکو. انگار در طول دوران کاری‌‌‌ام دنبال شغلی می‌‌‌گشتم که مانند یک نیمه گمشده باشد؛ شغلی که نه فقط برای پرداخت مخارج باشد بلکه مرا تکمیل کند یا تجلی شخصیت و هویت واقعی‌‌‌ام باشد.

البته قرار نیست این کتاب تبدیل به زندگی‌‌‌نامه و کتاب خاطراتم شود. می‌‌‌خواهم به بررسی این موضوع بپردازم که چرا کار تا این اندازه برای من و بسیاری از افراد دیگر، بخش اصلی هویت شده است. من با بیش از صد شاغل (از وکلای شرکتی در منهتن گرفته تا راهنمایان کایاک‌‌‌سواری در آلاسکا، از والدین خانه‌‌‌دار در کپنهاگ تا کارگران رستوران‌‌‌های فست‌‌‌فود در کالیفرنیا) به مصاحبه پرداختم تا ۹ فردی را انتخاب کنم که فصل‌‌‌های نه‌‌‌گانه این کتاب تمرکز بیشتری بر زندگی و روایت‌‌‌های آنها دارد. تصمیم گرفتم که تمرکز خود را بر روایت‌‌‌های کارکنان اداری ایالات متحده (موسوم به یقه‌‌‌سفیدها) بگذارم. ترجیح کارکنان اداری به کارکنان فنی و عملیاتی به دو دلیل بود:

نخست: ایالات متحده در میانه یک روند گسترده ملی است که برخلاف روندهای تاریخی و البته تصورات منطقی است. در طول تاریخ، ثروت همبستگی منفی با میزان ساعات کاری افراد داشته است. شما هر قدر که ثروت بیشتری داشتید، ساعات کمتری کار می‌‌‌کردید و دلیلش هم آزادی اقتصادی شما برای تصمیم‌گیری بود. اما در نیم قرن گذشته، برخی از پردرآمدترین شاغلان عامل بیشترین افزایش‌‌‌ها در ساعات کاری بوده‌‌‌اند. به عبارت دیگر، همان آمریکایی‌‌‌هایی که می‌توانند کمترین ساعات کاری ممکن را داشته باشند، بیش از همیشه کار می‌‌‌کنند.

دومین دلیلی که بر شاغلان یقه‌‌‌سفید تمرکز کردم، این بود که آنها به احتمال بیشتری به دنبال معنا و هویت در کار خود می‌‌‌گردند. این پدیده را می‌توان در وضعیت سایر افراد پردرآمد سطح جهان هم مشاهده کرد. از سوئد تا کره جنوبی، ثروتمندترین و تحصیل‌‌‌کرده‌‌‌ترین افراد، بیش از بقیه شغل خود را به عنوان منبع معنا نگاه می‌‌‌کنند. در حقیقت، ثروتمندترین و تحصیل‌‌‌کرده‌‌‌ترین افراد، دوبرابر کم‌‌‌درآمدترین شاغلان و افراد بدون مدرک دانشگاهی به دنبال معنای شغل هستند. شاید یکی از دلایل بسیار این پدیده، این باشد که شاغلان پردرآمد احتمال کمتری برای برخورداری از منابع معنایی دیگر (مانند مذهبی مدون) در زندگی‌‌‌شان دارند.

البته در همین زمان که فرهنگ حرفه‌‌‌ای، شغل را مانند هسته و محوری تلقی می‌‌‌کند که سایر جنبه‌‌‌های زندگی پیرامون آن می‌‌‌چرخند، اکثر شاغلان با آن هویت‌‌‌سازی نمی‌‌‌کنند. آنها فقط کار می‌‌‌کنند تا زنده بمانند. حمزه تسکیم، آشپزی که ۱۸ سال در یک رستوران پاکستانی کار کرده است، به من گفت: «کسانی که عاشق شغل خود هستند، خوشبختند. من فقط کار می‌‌‌کنم که زندگی بگذرانم.» در ایالات متحده، افراد اندکی در مقابل فرهنگ ورکیسم مصون هستند. تقریبا تمام افرادی که با آنها مصاحبه کردم، فارغ از سطح و طبقه اجتماعی‌‌‌شان، از فشار زندگی در کشوری سخن گفتند که ارزش فرد و شغل او ارتباط تنگاتنگی با یکدیگر دارد. در اینجا، سرمایه‌‌‌داری نه فقط یک نظام اقتصادی بلکه یک فلسفه اجتماعی شده است. این فلسفه می‌‌‌گوید افراد به‌‌‌اندازه خروجی‌‌‌ها و دستاوردها(ی‌اقتصادی‌‌‌شان) ارزش دارند. در ایالات متحده، بهره‌‌‌وری فراتر از یک مقیاس و ابزار سنجش است؛ بهره‌‌‌وری تبدیل به خیر اخلاقی شده است.

حالا تصور کنید این بیمارستان «دستیار پزشکی» منحصر به ‌‌‌فردی دارد که به ‌‌‌جای اینکه با ابزار و روش‌‌‌های سنتی تعلیم‌‌‌ دیده باشد، مجموعه عظیمی از کتاب‌‌‌های پزشکی، مقالات و نمونه‌‌‌های موردی را به خوردش داده‌‌‌اند. این دستیار می‌تواند با عکس رادیولوژی و تاریخچه پزشکی بیمار (که پزشک آن را در اختیارش می‌‌‌گذارد) بلافاصله فهرستی از بیماری‌‌‌های احتمالی، روش‌‌‌های درمان پیشنهادی و حتی ملاحظات مخصوص هر بیمار را پیشنهاد دهد. همچنین این دستیار می‌تواند به ناهنجاری‌‌‌های جزئی تاکید کند که ممکن است از چشم انسان دور بماند یا شرایط خاصی که ممکن است پزشک در لحظه به آن فکر نکند.

دستیار پزشکی این مثال یک ابزار هوش مصنوعی مولد است که از پایگاه داده وسیعی از منابع پزشکی استفاده می‌‌‌کند تا پیشنهادهای تخصصی بدهد. اما تکنولوژی هوش مصنوعی مولد صرفا مختص شاخه پزشکی نیست و می‌تواند در حوزه‌‌‌های متعددی به کار رود تا بر اساس مقادیر کلان داده مطالب، ایده و راه‌‌‌حل جدید پیشنهاد دهد. بر همین اساس، این قابلیت را دارد که فعالیت‌‌‌های حرفه‌‌‌ای را متحول کند. یافته‌‌‌های اخیر مکنزی نشان می‌‌‌دهد که ممکن است تا سال ۲۰۳۰، سی‌درصد از فعالیت‌‌‌های اقتصاد ایالات‌‌‌متحده آمریکا به‌‌‌صورت خودکار انجام شود؛ رقمی که پیش از ظهور هوش مصنوعی مولد ۲۱‌درصد بود. حال معنای این اتفاق برای متخصصان قدیمی‌‌‌تری که چند دهه از عمرشان را صرف کسب مهارت در حوزه خاصی کرده‌‌‌اند چیست؟

مطالعه‌‌‌ای در خصوص تاثیر هوش مصنوعی بر آینده فضای کار در اتحادیه اروپا و آمریکا، توضیح می‌‌‌دهد که کارکنان قدیمی‌‌‌تر بیش از همه در معرض هوش مصنوعی قرار دارند؛ چون هوش مصنوعی وظایفی را انجام می‌‌‌دهد که متعلق به مشاغلی است که شامل سطح بالایی از دانش و تجربه می‌‌‌شود. از آن گذشته، با اینکه تکنولوژی جدید آتیه‌‌‌دار است، می‌تواند مرعوب‌‌‌کننده باشد؛ به‌‌‌خصوص برای آنهایی که هنوز نتوانسته‌‌‌اند خودشان را با آن وفق دهند. نسل‌‌‌های قدیمی‌‌‌تر به اندازه نسل‌‌‌های جدیدتر علاقه ندارند سوار بر موج تکنولوژی شوند. به‌‌‌عنوان نمونه احتمال اینکه بزرگسالان زیر ۳۰سالی که درباره چت جی‌‌‌پی‌‌‌تی شنیده‌‌‌اند برای سرگرمی از این چت بات استفاده کنند، بسیار بیشتر از بزرگ‌‌‌سالان ۵۰سال به بالاست (۳۱درصد در مقابل ۱۶درصد).

با این ‌‌‌حال، حرفه‌‌‌ای‌‌‌های ارشدی که در حوزه تکنولوژی مهارتی ندارند، همچنان می‌توانند در این دنیای تحت‌تاثیر هوش مصنوعی سکان را به دست بگیرند و عالی عمل کنند. هوش مصنوعی برای جایگزینی نیامده، برای تکمیل آمده. شما می‌توانید از آن بهره ببرید تا تخصصتان را اهرم کنید، بینش عمیق‌‌‌تری به دست بیاورید و دیدگاه منحصربه‌‌‌فردی عرضه کنید که فقط با سال‌ها تجربه حاصل می‌‌‌شود. درست است که هوش مصنوعی قدرتمند است، اما نمی‌تواند آن ‌‌‌همه تجربه‌‌‌ای را که شما در طول سال‌ها مواجهه و تعامل مستقیم به دست آورده‌‌‌اید تقلید یا واقعا درک کند. به‌‌‌علاوه، سیستم‌‌‌های هوش مصنوعی جدید غالبا رابط کاربری آسانی دارند. گذشت آن دورانی که مجبور بودید زبان‌‌‌های برنامه‌‌‌نویسی پیچیده‌‌‌ای را یاد بگیرید. حالا می‌توانید به همان سادگی که از تلفن هوشمندتان استفاده می‌‌‌کنید، به ابزارهای تازه دسترسی داشته باشید.

پس زمان آن رسیده که ببینیم کارکنان قدیمی‌‌‌تر چگونه می‌توانند تکنولوژی را بپذیرند و در عصر هوش مصنوعی مولد شکوفا شوند.

 فرصت را مغتنم بشمار

هوش مصنوعی مولد می‌تواند در حوزه‌‌‌های زیادی سریع‌‌‌تر از اغلب متخصصان باتجربه راه‌‌‌حل ارائه دهد. چگونه؟ مشابه همان دستیاری که اطلاعات کتاب‌‌‌های پزشکی را می‌‌‌بلعید، حالا هوش مصنوعی می‌تواند الگوهای موجود در مقادیر انبوه داده  (متن، کد، تصور، موسیقی، فیلم) را تشخیص دهد و تجزیه‌‌‌ و تحلیل کند و بعد، از آن الگوها برای تولید محتوای اورجینال استفاده کند. این قابلیت در خیلی از حرفه‌‌‌ها مفید است.

 به‌‌‌عنوان نمونه، هوش مصنوعی مولد می‌تواند براساس پارامترهایی همچون مقیاس طرح، درک محیط و هدف، طرح‌‌‌های تازه‌‌‌ای به معماران پیشنهاد دهد و بعد معماران این طرح‌‌‌ها را اصلاح و کامل کنند. می‌تواند بر اساس مد، تم‌‌‌های محبوب یا جنس خاصی، الگو و پارچه و طرح کلی پوشاک جدیدی پیشنهاد دهد که بعد طراحان مد آنها را اصلاح کنند تا به طرح خود برسند.

تولید ایده اولیه کمپین، شعار تبلیغاتی یا حتی محتوای تصویری هم با هوش مصنوعی ممکن است و بازاریابان می‌توانند براساس طبقه هدف و پیام برند، پیشنهادهای هوش مصنوعی را تعدیل و تنظیم کنند. این روزها شرکت‌های بازاریابی برای سرعت بخشیدن به تحول توسعه کمپین تبلیغاتی، تولید خلاق، آگاهی و توصیه‌‌‌های متنوع به هوش مصنوعی مولد تکیه می‌‌‌کنند. طراحان گرافیک می‌توانند با دریافت ماکت‌‌‌های طرح اولیه در وقت صرفه‌‌‌جویی کنند.

اگر چند دهه سابقه کار داشته باشید، دیدگاه منحصر به ‌‌‌فردی به کارتان اضافه می‌‌‌کنید. برای سمت‌‌‌های شغلی که مستلزم تصمیم‌گیری‌‌‌های پیچیده است، ‌‌‌تجربه بسیار ارزشمند است؛ چون ممکن است ارزیابی‌‌‌های صرفا الگوریتمی ریسک‌‌‌ها یا پیشنهاد‌‌‌هایی را نادیده بگیرند که فقط افراد باتجربه می‌توانند آنها را تشخیص دهند و شاید برای مواجهه با تغییرات فاحش ناگهانی در داده (مانند رخداد فاجعه) آماده نباشند. تخصص شما این امکان را برایتان فراهم می‌‌‌کند که از داده، تفسیر مبتنی بر متن داشته باشید. شما به قوانین کسب‌‌‌وکار، استراتژی، اصول اخلاقی و سوابق موضوعی آگاهید و می‌توانید ارزیابی کنید که راه‌‌‌حل پیشنهادی مطابق استانداردهای خریدار است یا نه. هوش مصنوعی نمی‌تواند روابط پیچیده سهامداری را مدیریت کند. تجربه و دیدگاه منحصربه‌‌‌فرد شما حیاتی است. از تمام محسناتی که شما برای نقشتان به ارمغان می‌‌‌آورید فهرستی تهیه کنید و به فرصت‌‌‌هایی فکر کنید که این محسنات می‌توانند برایتان به ارمغان بیاورند. از شانس استفاده از تکنولوژی بهره ببرید تا وقتتان را آزاد کنید و روی فرصت‌‌‌های جدید تمرکز کنید.

اهداف یادگیری تعیین کنید

حالا که متوجه شده‌‌‌اید هوش مصنوعی می‌تواند چه فایده‌‌‌ای برای شغلتان داشته باشد، می‌توانید با اعمال آن در کار به مسیر خود ادامه دهید. بهترین راه برای درک اینکه سمت شغلی شما چگونه می‌تواند با تکنولوژی متحول شود، تعیین اهداف دست‌‌‌یافتنی و مشخص است. این چهار ناحیه را در اولویت قرار دهید:

  با دانش‌‌‌پایه شروع کنید. مفاهیم ابتدایی هوش مصنوعی و بستر تاریخی‌‌‌اش را یاد بگیرید. می‌توانید با دوره‌‌‌ هوش مصنوعی برای همه (AI for everyone) شروع کنید یا نگاهی به کانال هوش مصنوعی تد (TED) بیندازید تا از بعضی از ویدئوهایش ایده بگیرید.

  از موارد کاربرد روزمره آن در صنعت کاری خودتان یاد بگیرید. درک کنید که هوش مصنوعی مولد چگونه می‌تواند مدل کسب‌‌‌وکار، عملیات و استراتژی را در حوزه شما تحت‌تاثیر قرار دهد. کلمات کلیدی حوزه کاری خود را در اینترنت جست‌‌‌‌‌‌وجو کنید (برای مثال منابع انسانی و هوش مصنوعی مولد یا سرمایه‌گذاری و هوش مصنوعی مولد) تا جدیدترین گزارش‌‌‌ها و نشریات را پیدا کنید و بخوانید.

  درباره محدودیت‌‌‌های اخلاقی، ایمنی و مشکلات امنیتی تحقیق کنید تا بدانید هوش مصنوعی مولد چه کارهایی را نمی‌تواند انجام دهد و نگرانی‌‌‌های اخلاقی را همچون امنیت داده، سوگیری هوش مصنوعی، خطاهای ادراکی و محتوای تولیدی که با محتوای تولیدی توسط انسان اشتباه گرفته می‌‌‌شود بشناسید.

  جریان‌‌‌های در حال ظهور و آینده اپلیکیشن‌‌‌های هوش مصنوعی مولد را کندوکاو کنید تا خود را برای آینده آماده کنید.

 تمرین تعیین‌‌‌کننده است

بهترین راه برای درک تکنولوژی استفاده از آن است. طبق نظرسنجی جهانی مکنزی در حوزه هوش مصنوعی نسل‌‌‌های جوان‌‌‌تر بیشتر با هوش مصنوعی مولد سروکار دارند: ۵۱‌درصد از متولدین بین سال‌‌‌های ۱۹۸۱ تا ۱۹۹۶ مرتبا از این ابزار استفاده می‌‌‌کنند و ۳۶‌درصد حداقل یک‌‌‌بار آن را امتحان کرده‌‌‌اند.

در مقابل تنها ۴۴‌درصد از کسانی که سال ۱۹۶۴ یا پیش از آن به دنیا آمده‌‌‌اند مرتب از این ابزارها استفاده می‌‌‌کنند و ۳۰‌درصد تابه‌‌‌حال با آن سروکار نداشته‌‌‌اند. فقط ۱۴‌درصد از جوان‌‌‌ترین نسل شاغل در محیط کار تجربه کار با هوش مصنوعی مولد را نداشتند یا چیزی درباره‌‌‌اش نمی‌‌‌دانستند.

این عدد برای آنهایی که بین سال‌‌‌های ۱۹۶۵ تا ۱۹۸۰ به دنیا آمده‌‌‌اند تا ۲۰‌درصد بالا می‌‌‌رود و برای آنهایی که قبل از ۱۹۶۴ به دنیا آمده‌‌‌اند به ۲۷‌درصد می‌‌‌رسد. توجه به این نکته هم جالب است که‌درصد قابل ‌‌‌توجهی از هر نسلی «خارج از کار» هم مرتبا از هوش مصنوعی مولد استفاده می‌‌‌کنند

(۲۴‌درصد در نسل جوان‌‌‌تر و ۲۱‌درصد در نسل‌‌‌های قدیمی‌‌‌تر). بهترین راه آغاز کار با هوش مصنوعی مولد هم دقیقا همین است که فرصت‌‌‌های تعامل بیرون از کار را مغتنم بشمارید. فعال و پویا باشید و هوش مصنوعی را در زندگی شخصی و پروژه‌‌‌هایتان وارد کنید.  به‌‌‌این‌‌‌ترتیب تکنولوژی را از پرده ابهام درمی‌‌‌آورید و فرصت یادگیری را به خود می‌‌‌دهید که بالطبع به اعتمادبه‌‌‌نفس بیشتر برای استفاده آن در محیط کار منجر می‌‌‌شود. به‌‌‌ عنوان‌‌‌ مثال من با طراحی عکس پرسنلی برای خودم با فرآیند تولید عکس آشنا شدم. مجبور بودم برای رویدادهای گوناگونی عکسم را بفرستم و هیچ عکس جدیدی نداشتم. اصلا هم دلم نمی‌‌‌خواست دنبال آتلیه عکاسی حرفه‌‌‌ای بگردم و وقت بگیرم و تیپ بزنم و به استودیو بروم؛ پس سروکله زدن با هوش مصنوعی برای من کاربرد داشت. من از ۲ ابزار استفاده کردم: secta.ai و Try it on AI . عکس و سلفی‌های متفاوتی به آنها دادم و خروجی‌‌‌های متفاوتی گرفتم. متوجه شدم که هوش مصنوعی چقدر خلاق است. به خروجی‌‌‌هایی که هیچ شباهتی به من نداشت خندیدم و دیدم که چگونه گاهی دچار خطای شناختی می‌‌‌شود (سه بازو برایم می‌‌‌گذاشت). در نهایت ۱۰‌درصد خروجی‌‌‌ها آن‌‌‌قدر خوب بود که بتوانم با اعتمادبه‌‌‌نفس از آن استفاده کنم.

ابزارهای هوش مصنوعی جدید را که برای کارهای روزانه، سرگرمی و علاقه‌‌‌مندی‌‌‌هایتان کاربرد دارند در گوگل جست‌‌‌وجو کنید. افراد خلاق می‌توانند از DALL-E برای تولید آثار هنری منحصربه‌‌‌فرد استفاده کنند و آنهایی که به دکوراسیون داخلی علاقه‌‌‌مند هستند می‌توانند برای طراحی نقشه جانمایی و پیش‌بینی مشکل آفات بر اساس داده محلی از ابزارهای تصویرسازی استفاده کنند.

اپلیکیشن‌‌‌های مجهز به هوش مصنوعی می‌توانند بر اساس توانایی‌‌‌های فردی شما برنامه ورزشی شخصی‌سازی شده ارائه کنند. سفری در پیش دارید؟ از برنامه planners استفاده کنید تا بر اساس تمایلاتتان برنامه سفر بچینید. ابزارهای هوش مصنوعی وجود دارند که بر اساس وضعیت آب‌‌‌وهوا، مناسبت و موجودی کمد لباستان درباره تلفیق لباس‌‌‌ها به شما کمک می‌‌‌کنند و حتی ابزارهایی وجود دارند که می‌توانند به شما کمک کنند بر اساس مواد اولیه موجود در خانه غذاهای جدیدی تهیه کنید.

در نهایت، با چت‌‌‌بات‌‌‌های هوش مصنوعی تعامل کنید. در حین ارزیابی طرز کار این تکنولوژی، از دستوراتی استفاده کنید تا موضوعی را که اطلاعات بسیاری درباره‌‌‌اش دارید مرور کنید یا باورهایی را به چالش بکشید. به ‌‌‌عنوان ‌‌‌مثال، من از چت جی‌‌‌پی‌‌‌تی خواستم بین دو عقیده متفاوت درباره موضوع نسل‌‌‌کشی ارمنی‌‌‌ها که متعلق به دوران نوجوانی من بود گفت‌‌‌وگویی را شبیه‌‌‌سازی کند.

 واضح بود که نتیجه نهایی فاقد بخش بسیار زیادی از بینشی بود که من داشتم. استفاده از هوش مصنوعی مولد در محیط کار هم دقیقا به همین صورت است: نکات موثق و معتبری وجود دارد. اما فقط با تجربه‌‌‌ای که دارید می‌توانید به نتیجه مطلوب دست پیدا کنید. همچنین متوجه خواهید شد که حتی ممکن است گزاره‌‌‌هایی را از خودش دربیاورد.

پیش از استفاده از هر ابزاری حتما سیاست‌‌‌های حفظ حریم خصوصی‌‌‌شان را کنترل کنید (مثلا من قبل از بارگذاری تصاویر خودم برای ساخت عکس پرسنلی این کار را کردم). با این کار مطمئن شدم که اطلاعات شخصی ذخیره نمی‌‌‌شود یا بدون رضایت من مورد استفاده قرار نمی‌گیرد. به‌‌‌خصوص درباره اپلیکیشن‌‌‌های رایگان باید بیشتر مراقب باشید و حواستان به این مساله باشد؛ چون ممکن است معنایش این باشد که هزینه استفاده از اپلیکیشن را به‌‌‌جای پول با اطلاعات حساس خودتان پرداخت می‌‌‌کنید و کنترل آن اطلاعات از دستتان خارج می‌‌‌شود.

 شبکه ارتباطی‌‌‌تان را اهرم کنید

یادگیری از دیدگاه‌‌‌های متفاوت درک شما از اینکه چه چیزهایی با تکنولوژی شدنی است را افزایش می‌‌‌دهد. از شبکه‌‌‌تان استفاده کنید تا خودتان را به چالش بکشید، سریع‌‌‌تر یاد بگیرید و درباره ‌‌‌نظرهای جدیدی بحث کنید.

از محل کارتان شروع کنید. کارورزی فرصت شبکه‌‌‌سازی ارزشمندی را فراهم می‌‌‌کند تا با همکاران جوان‌‌‌تر ارتباط برقرار کنید. جفت شدن با همکاران تازه‌‌‌کار فرصت یادگیری متقابل را فراهم می‌‌‌کند. کارکنان جوان‌‌‌تر می‌توانند مهارت‌‌‌های فنی را به شما نشان دهند و شما تجربه و دانشتان از صنعت را با آنها به اشتراک می‌‌‌گذارید.

روش دیگر شبکه‌‌‌سازی، تماس با همکاران سابق است. معاشرت و گفت‌‌‌وگو درباره تاثیر هوش مصنوعی مولد بر کار کسانی که قبلا با آنها کار می‌‌‌کردید همیشه روشنگر و آگاهی‌‌‌بخش است؛ چرا که ممکن است آنها رویکرد متفاوتی نسبت به این تکنولوژی اتخاذ کرده باشند یا در سازمانشان روش‌‌‌های دیگری شایع باشد.

اگر شرکت در کنفرانس‌‌‌های دانشگاهی برای عموم آزاد باشد و فرصتش را داشته باشید، شرکت در آن کنفرانس‌‌‌ها بهترین زمان برای تعامل با گروه فارغ‌‌‌التحصیلان دانشگاهی است. باید با گروه‌‌‌های حرفه‌‌‌ای خارجی هم ارتباط برقرار کنید تا با افراد جدیدی آشنا شوید.

در رخدادهایی همچون کنفرانس‌‌‌های شغلی محل زندگی‌‌‌تان شرکت کنید و با افرادی در حوزه خودتان آشنا شوید. یا می‌توانید مجازی این کار را انجام دهید. به گروه‌‌‌های لینکدین ملحق شوید، در گفت‌‌‌وگوها شرکت کنید، مقالات را به اشتراک بگذارید و با دیگران ارتباط بگیرید. ما در عصر فرصت‌‌‌های تازه هستیم. هوش مصنوعی مولد به‌‌‌عنوان دستیار مجازی جدیدتان آمده که به شما کمک می‌‌‌کند مهارت‌‌‌هایتان را تقویت کنید و به نتایجی دست‌‌‌ یابید که هرگز فکر نمی‌‌‌کردید ممکن باشد. ترکیب سرمایه تجربه شما به‌‌‌عنوان یک نیروی کار قدیمی‌‌‌تر با قدرت هوش مصنوعی مولد تیم شکست‌‌‌ناپذیری می‌‌‌سازد.

هنوز‌‌‌ آغازین روزهای هوش مصنوعی مولد است: اگر فرصت‌‌‌ها و محدودیت‌‌‌هایش را درک کنید و مهارت‌‌‌هایتان را در حوزه خود افزایش دهید همچنان می‌توانید جلودار باشید. آینده متعلق به کسانی است که مادام‌‌‌العمر در حال یادگیری باشند. الآن بهترین وقت آن است که با آغوش باز وارد فصل بعدی زندگی شوید.

با این‌‌‌ همه، باید دانست که بی‌‌‌گدار به آب زدن در دنیای هوش مصنوعی مولد و جایگزین‌‌‌ کردن عجولانه و کورکورانه کارکنان با ماشین‌‌‌ها و هوش مصنوعی مولد می‌تواند پیامدهای اجتماعی و اقتصادی و صنعتی ناگواری را برای جامعه به‌‌‌صورت عام و برای شرکت‌ها و سازمان‌ها به‌‌‌صورت خاص در پی داشته باشد. برای پرهیز از این وضعیت ناخواسته و نامطلوب، لازم است که رهبران سازمان‌ها و شرکت‌ها قبل از هر اقدامی در این ‌‌‌خصوص، سوالات متعددی را از خود پرسیده و به آنها پاسخ‌‌‌های دقیق و قانع‌‌‌کننده‌‌‌ای بدهند.

در ادامه به چهار سوال بسیار مهم و کلیدی در زمینه جایگزین ‌‌‌کردن افراد با ماشین‌‌‌ها و هوش مصنوعی اشاره خواهد شد که رهبران سازمان‌ها و شرکت‌ها قبل از اتخاذ تصمیم‌‌‌های نهایی در این زمینه باید برای آنها پاسخ‌‌‌های دقیقی پیدا کنند.

سوال اول: مدت ‌‌‌زمان موردنیاز برای انجام کارها بدون استفاده از هوش مصنوعی چقدر است؟

اگر قرار باشد کارهایی تکراری و یکنواخت و وقت‌‌‌گیر که انجام آنها نیازمند دقت و حوصله زیادی است در یک شرکت انجام شود جایگزین‌‌‌کردن افراد با هوش مصنوعی گزینه معقول و مناسبی خواهد بود. به ‌‌‌عنوان ‌‌‌مثال، کارهایی مانند نوشتن گزارش‌‌‌های روزانه و دوره‌‌‌ای یا طراحی وب‌سایت یا اپلیکیشن که کارهایی زمان‌بر و یکنواخت به‌‌‌حساب می‌‌‌آیند را می‌توان و باید به هوش مصنوعی مولد سپرد. اما اگر بخش عمده‌‌‌ای از کارهایی که در شرکت انجام می‌شود کارهایی است که به‌‌‌سرعت انجام می‌شود و انجام آنها به ظرافت زیاد و وقت کم‌‌‌ نیاز دارد دلیلی برای سپردن آنها به هوش مصنوعی وجود ندارد.

سوال دوم: دستمزد پرداختی به کارکنان در قبال انجام کارهایی که می‌توان آنها را به هوش مصنوعی سپرد چقدر است؟

موضوع دستمزدهای پرداختی به کارکنان نیز یکی دیگر از موضوعات کلیدی و تعیین‌‌‌کننده در مسیر سپردن کارها به هوش مصنوعی و ماشین‌‌‌ها به‌‌‌حساب می‌‌‌آید. اگر دستمزدهای پرداختی به کارکنان یک شرکت در قبال انجام یکسری ‌‌‌کارها بسیار بالا و هنگفت باشد، توجیه خوبی وجود دارد که فرآیند جایگزین ‌‌‌کردن افراد با هوش مصنوعی را جدی‌‌‌تر دنبال کرد و از این طریق بر میزان بهره‌‌‌وری شرکت‌ها و سازمان‌ها افزود. بر اساس نتایج تحقیق اخیر موسسه مکنزی، میزان اثرگذاری مثبت به‌‌‌کارگیری هوش مصنوعی بر سطح بهره‌‌‌وری اقتصاد جهانی در هر سال به ۴.۴تریلیون دلار رسیده است. اما اگر قرار باشد هوش مصنوعی گران‌قیمت و پرهزینه را جایگزین کارکنانی کرد که با دستمزدهای پایین در شرکت‌ها و سازمان‌ها مشغول به کار هستند این جایگزینی چندان منطقی و معقول نخواهد بود و کمک چندانی به بهبود بهره‌‌‌وری سازمانی نخواهد داشت.

سوال سوم: هوش مصنوعی تا چه حد قادر به انجام درست و دقیق کارهاست؟

یکی دیگر از موضوعاتی که قبل از هر گونه تصمیم‌گیری و اقدام برای جایگزین‌‌‌ کردن انسان‌‌‌ها با هوش مصنوعی باید به آن توجه ویژه‌‌‌ای داشت، به میزان توانایی و قابلیت‌‌‌های هوش مصنوعی برای انجام کارهای مهم و کلیدی مربوط می‌شود. واقعیت این است که هوش مصنوعی اگرچه دارای قابلیت‌‌‌ها و توانمندی‌‌‌های فوق‌‌‌العاده‌‌‌ای است و می‌تواند کارهایی را انجام دهد که انجام آنها از عهده انسان‌‌‌ها خارج است، اما از انجام برخی کارها و فرآیندها ناتوان است یا نمی‌تواند آنها را به‌‌‌خوبی انسان‌‌‌ها انجام دهد. بنابراین باید به طور دقیق دانست که ماشین‌‌‌ها و هوش مصنوعی در انجام کدام کارها توانمند و بهتر از انسان‌‌‌ها و در انجام کدام کارها ناتوان و ضعیف‌‌‌تر از انسان‌‌‌ها عمل می‌کنند.

سوال چهارم: آیا هوش مصنوعی به‌‌‌تنهایی قادر به انجام صفر تا صد کارهاست یا اینکه بخشی از کارهایی که به هوش مصنوعی سپرده می‌شود باید توسط انسان کنترل و تکمیل شود؟

بسیاری از وظایفی که هم اکنون انجام‌‌‌ دادن آنها به هوش مصنوعی سپرده شده، به‌‌‌گونه‌‌‌ای هستند که انجام تمام مراحل کار از عهده ماشین‌‌‌ها و هوش مصنوعی برنمی‌‌‌آید و در برخی مراحل، به‌‌‌ویژه مراحل نهایی و حساس کار به دخالت و مشارکت انسان‌‌‌ها نیاز است.

در این میان لازم است که رهبران سازمان‌ها قبل از تصمیم‌گیری در زمینه جایگزین‌‌‌ کردن انسان‌‌‌ها با هوش مصنوعی سبک‌‌‌وسنگین کنند و ببینند که سپردن برخی مراحل کار به هوش مصنوعی تا چه حد توجیه‌‌‌پذیر است.

اگر قرار باشد بسیاری از مراحل یک کار همچنان بر عهده انسان‌‌‌ها باشد و فقط انجام چند مرحله ساده و محدود به هوش مصنوعی سپرده شود اصرار بر جایگزین‌‌‌کردن افراد با ماشین‌‌‌ها چندان توجیه‌‌‌پذیر و منطقی نخواهد بود.

به ‌‌‌هر حال، آینده هوش مصنوعی در حال حرکت به سمتی است که در آن، ماشین‌‌‌ها و هوش مصنوعی مولد می‌توانند به دنبال سرویس‌‌‌هایی باشند که در اختیار کاربران قرار می‌گیرد تا از آنها یاد بگیرند و بفهمند که هر کاربری دارای چه علاقه‌‌‌مندی‌‌‌ها و نیازهایی است. در مراحل بعدی ارتباط با آن کاربر همان چیزی را تولید و در اختیار او قرار می‌دهد که باب میل اوست و به این ترتیب است که می‌توان در آینده‌‌‌ای نزدیک دنیایی را تصور کرد که در آن رفتار و انتخاب‌‌‌های انسان تحت‌تاثیر ورودی و پیشنهادهایی است که توسط هوش مصنوعی تولید شده‌‌‌اند. در چنین وضعیتی، انسان‌‌‌ها نیز بیشتر احساس راحتی و آرامش می‌کنند، چراکه همان چیزی به آنها پیشنهاد می‌شود و در اختیارشان قرار می‌گیرد که برایشان ایده‌‌‌آل و مطلوب است و مطابق با ویژگی‌‌‌هایی مانند سن و جنسیت و علایق شخصی‌‌‌شان تنظیم‌‌‌ شده‌‌‌اند. چه ‌‌‌بهتر که این فرآیند فراهم ‌‌‌ساختن چیزهای مطلوب به‌‌‌گونه‌‌‌ای برنامه‌‌‌ریزی و اجرا شود که در قبال چیزهای زیان‌‌‌بار و خطرناک برای انسان و انسانیت موضع منفی و بازدارنده داشته باشد. این وظیفه محققان، شرکت‌ها، دولت‌‌‌ها و البته جامعه مدنی است که در این زمینه فعال باشند و هوش مصنوعی یادگیرنده و مولد را به مسیر درست و مناسبی هدایت کنند.

 هوش مصنوعی در جذب و استخدام

یکی از بهترین کاربردها برای هوش مصنوعی در مدیریت منابع انسانی، موضوع جذب و استخدام است. هوش مصنوعی با تجزیه و تحلیل دقیق رزومه‌‌‌ها و تطبیق آنها با شناسنامه شغلی، آنها را برای مصاحبه اولویت‌‌‌بندی می‌کند و به مدیران کمک می‌کند گزینه‌‌‌های مناسب‌‌‌تری را پیدا کنند. نرم‌‌‌افزار استخدام همه‌‌‌کاره‌Workable، یک مثال واقعی برای این منظور است که نه‌تنها رزومه‌‌‌ها را تحلیل و برای مصاحبه اولویت‌‌‌بندی می‌کند، بلکه از داده‌‌‌های به دست آمده برای جمع‌‌‌آوری لیستی از افراد مناسب از لینکدین و سایر منابع آنلاین استفاده می‌کند تا آنها را به موقعیت‌‌‌های خالی سازمان جذب کند.

هتل‌‌‌های زنجیره‌‌‌ای هیلتون یکی از اولین شرکت‌های استفاده‌کننده از هوش مصنوعی در فرآیند استخدام هستند. این شرکت از سال ۲۰۱۴ استفاده از هوش مصنوعی را برای ارزیابی گزینه‌‌‌های استخدامی، غربالگری آنها و مصاحبه با داوطلبان شغلی برای کارکنان مراکز تماس و نقش‌‌‌های پشتیبانی آغاز کرد و به تدریج آن را توسعه داد. نتایج کاربرد این فناوری موجب شد میانگین زمان صرف شده بین مصاحبه اولیه تا زمان جذب از ۴۲ روز به ۵ روز کاهش یابد.

شرکت بریتانیایی-هلندی یونیلیور هم سامانه HireVue را به کار گرفت تا با استفاده از پردازش ویدئویی حالات چهره، زبان بدن و کلمات کلیدی مشخص کند کدام کاندیداهای شغلی به احتمال زیاد در شرکت موفق هستند. شرکت یونیلیور این برنامه را برای شرکت‌های خود در چند کشور اجرا کرده است. نتایج این برنامه، بیش از ۵۰‌هزار ساعت صرفه‌‌‌جویی در غربالگری رزومه‌‌‌ها و کاهش ۷۵ درصدی زمان استخدام در سال است.

 هوش مصنوعی در حفظ و نگهداشت کارکنان

هوش مصنوعی با توجه به داده‌‌‌های دریافتی از هر کارمند و مقایسه با داده‌‌‌های مرجع بانک اطلاعاتی، کمک شایانی در حفظ و نگهداشت کارکنان می‌کند و این موضوعی است که برای هر مدیر کسب و کار مهم است. هوش مصنوعی با استفاده از الگوریتم‌‌‌ها و تکنیک‌‌‌های یادگیری ماشینی، داده‌‌‌هایی همچون کیفیت عملکرد کارکنان، رضایت شغلی، نحوه حضور و توانمندی‌‌‌ها را تحلیل کرده و به مدیران منابع انسانی کمک می‌کند تصمیمات اثربخش‌‌‌تری بگیرند. از جمله موارد کاربرد هوش مصنوعی در این بخش، عبارتند از:

  میزان رضایت شغلی هر فرد را تخمین می‌‌‌زند و اینکه کارمند تا چه میزان از کار و شغلش احساس رضایت دارد؟

  اینکه احتمالا این کارمند چه زمانی درخواست افزایش حقوق یا ارتقای شغلی خواهد داشت؟

  در صورت ادامه روند فعلی، چه زمانی استعفا می‌دهد و سازمان را ترک می‌کند؟

  کدام یک از کارکنان و با چه احتمالی در معرض خستگی مزمن و فرسودگی شغلی هستند؟

از سوی دیگر هوش مصنوعی کمک می‌کند رفتارهای ناهنجار یا نامناسب کارکنان را تشخیص بدهیم. این موارد شامل تشخیص سوءاستفاده از منابع در اختیار، رفتارهای تحریک‌‌‌‌کننده یا هر نوع رفتار ناشایست دیگر است. با تشخیص زمان‌‌‌های وقوع این رفتارها، مدیران منابع انسانی می‌توانند اقدامات پیشگیرانه‌‌‌ای را در نظر بگیرند.

 هوش مصنوعی در ارزیابی عملکرد

ارزیابی عملکرد کارکنان یکی از مهم‌ترین نظام‌‌‌ها یا سیستم‌های حوزه مدیریت منابع انسانی است که اهمیت خاصی دارد. در همین خصوص هوش مصنوعی از طریق رصد عملکرد کارکنان و ذخیره‌‌‌سازی داده‌‌‌های عملکردی هر فرد به مدیران کمک می‌کند تا عملکرد کارکنان را در طول سال و فاصله بین هر دو ارزیابی، داشته باشند. این سیستم شاخص‌‌‌هایی را که برایش تعریف شده است، مانند وظایف تکمیل شده، دقت در کار، برخورد با مشتری، نحوه حضور در شرکت، رعایت مقررات اداری، میزان مشارکت در پروژه‌های مشترک و... را در نظر می‌گیرد و در زمان ارزیابی بر اساس این شاخص‌‌‌ها و داده‌‌‌های دریافتی، عملکرد فرد شاغل را تحلیل و امتیاز ارزیابی او را تعیین می‌کند و نقاط قوت و زمینه‌‌‌های نیازمند بهبود را مشخص می‌کند.

 هوش مصنوعی و پرسنل جدید

کارمندان تازه‌وارد با استفاده از هوش مصنوعی می‌توانند فرآیند اجتماعی شدن در محیط کاری جدید را سریع‌‌‌تر و راحت‌‌‌تر طی کنند. برای مثال، زمانی که یک کارمند جدید به شرکت اضافه می‌شود، هوش مصنوعی در قالب یک چت‌‌‌بات در گوشی موبایل یا برنامه نصب شده در لپ تاپ، او را به سمت فرم‌‌‌ها و سامانه‌‌‌های موردنیاز راهنمایی می‌کند، با سیاست‌‌‌های کاری و مقررات اداری شرکت آشنا کرده و حتی جلسات آموزشی اولیه را جهت آشنایی با شرح وظایف و اجتماعی کردن فرد برگزار می‌کند. به این ترتیب، فرد جدید الورود احساس استرس کمتری می‌کند و بهتر و سریع‌‌‌تر می‌تواند موقعیت خودش را در شرکت پیدا کند و به بهره‌‌‌وری لازم برسد.

 هوش مصنوعی و جدا شدن کارکنان

ترک کار و جدا شدن نیروی انسانی از شرکت نیز دغدغه‌‌‌ها و نگرانی‌های خود را دارد و معمولا با چالش‌‌‌هایی همراه است. هنگامی که یک کارمند در فرآیند جدا شدن از مجموعه قرار می‌گیرد، هوش مصنوعی می‌تواند مواردی همچون مصاحبه ترک کار، تکمیل فرم مربوطه، استرداد اموال سازمانی و تسویه حساب را برنامه‌‌‌ریزی و مدیریت کند و خروج مطمئن را برای هر دو طرف تضمین کند. نتیجه اینکه هوش مصنوعی ابزاری تحول‌‌‌آفرین در حوزه مدیریت منابع انسانی است. برخلاف منابع انسانی، هوش مصنوعی هرگز خسته نمی‌شود. خدمات با کیفیت یکسان ارائه می‌دهد، سوگیری ناخودآگاه ندارد، ضمن اینکه با عهده‌‌‌دار شدن بخشی از وظایف و مسوولیت‌‌‌های منابع انسانی، قسمتی از وقت مدیر و متخصصان را آزاد می‌کند تا بر روی مسائل استراتژیک منابع انسانی تمرکز کنند؛ جایی که قابلیت‌‌‌های منحصربه‌‌‌فرد انسان، حقیقتا موردنیاز است.

 به ‌‌‌عنوان ‌‌‌مثال، تا چندی پیش امکان تشخیص دقیق اشیا برای پیشرفته‌‌‌ترین ماشین‌‌‌های هوش مصنوعی وجود نداشت، حال‌‌‌آنکه یک بچه خردسال می‌تواند به‌‌‌راحتی تصاویر را تشخیص داده و نسبت به آنها واکنش نشان دهد. در گذشته، طراحان سیستم‌‌‌های هوش مصنوعی می‌‌‌کوشیدند تا مثلا با نشان دادن تصاویر گربه‌‌‌ها و همچنین تعریف ویژگی‌‌‌هایی مانند گوش‌‌‌های نوک‌‌‌تیز، داشتن چهار پا و بدن کشیده اقدام به تعریف و به تصویر کشیدن گربه برای هوش مصنوعی کنند. اما مشکل اینجا بود که گربه‌‌‌ها که همیشه در حالت ایستا و ثابت قرار ندارند و به‌‌‌طور پیوسته حرکت می‌‌‌کنند، خشمگین می‌‌‌شوند، می‌‌‌دوند و رنگ‌‌‌ها و اندازه‌‌‌های بسیار متنوعی نیز دارند و همین تفاوت‌‌‌هاست که موجب سردرگمی ماشین‌‌‌ها در تشخیص دقیق گربه‌‌‌ها می‌شود. بر این اساس، روش سنتی فرموله کردن مدل‌‌‌های خاص و پس ‌‌‌از آن، همسان کردن این مدل‌‌‌ها با ورودی‌‌‌های بسیار متنوع نمی‌تواند اثربخش و قابل ‌‌‌اجرا باشد.

در نتیجه، چنین سیستم‌‌‌های غیرانعطاف‌‌‌پذیری فقط به درد نقش‌‌‌آفرینی در حوزه‌‌‌هایی می‌‌‌خوردند که انجامشان به رمزگذاری قواعد خاص و سپس رمزگشایی از آن نیاز داشت. متاسفانه در دهه‌‌‌های ۱۹۸۰ و ۱۹۹۰ روند پیشرفت هوش مصنوعی بسیار کند و ناامیدکننده بود و به همین دلیل هم از آن دوران با عنوان «زمستان هوش مصنوعی» یاد می‌شود. در اواخر دهه ۱۹۹۰ اما یک اتفاق بزرگ و تاثیرگذار در دنیای هوش مصنوعی افتاد، اتفاقی در قلب آن. در آن زمان هوش مصنوعی وارد انجام دادن کارهایی شد که نیازمند طراحی و اجرای راه‌‌‌حل‌‌‌های مسائل پیچیده بود. در آن دوره محققان دریافتند که برای جهش هوش مصنوعی به روش جدیدی نیاز است که با استفاده از آن بتوان به ماشین‌‌‌ها امکان یادگیری خودکار بدهند؛ یعنی اینکه ماشین‌‌‌ها بتوانند خودشان اقدام به یادگیری کنند و به‌‌‌جای اینکه منتظر کدهای ورودی تهیه‌‌‌شده توسط انسان باشند خودشان دست به یادگیری بزنند. در نتیجه همین تفویض فرایند یادگیری از انسان به ماشین بود که روند یادگیری ماشینی شتاب بیشتری پیدا کرد و برنامه‌‌‌هایی برای هوش‌ مصنوعی ساخته شد که می‌توانستند از تجربیات بیاموزند و به معنای واقعی کلمه یادگیری داشته باشند.

هوش مصنوعی مدرن

پیشرفت‌‌‌های بزرگ خیلی زود از راه رسیدند. در دهه نخست قرن ۲۱ پیشرفت‌‌‌های صورت گرفته در زمینه تشخیص اشیا باعث شد تا برنامه‌‌‌نویسان بتوانند هوش مصنوعی قدرتمندی را توسعه دهند که می‌توانست با یادگیری از یکسری تصاویر به‌‌‌طور دقیق اشیا را تشخیص دهد؛ بدون اینکه برای کار نیازی به کدگذاری و کدگشایی داشته باشد.

در هوش مصنوعی پیشرفته‌‌‌ای که توانست آنتی باکتری هالی‌‌‌سین را شناسایی کند نیز از همین فرآیند یادگیری ماشینی استفاده ‌‌‌شده بود؛ جایی که محققان MIT یک الگوریتم یادگیری ماشینی پیشرفته را طراحی کردند که می‌توانست ویژگی‌‌‌های آنتی باکتریال مولکول‌‌‌ها را «پیش‌بینی» کند و برای ایجاد این توانایی به آن الگوریتم از مجموعه داده‌‌‌های مربوط به ۲‌هزار مولکول مختلف بهره بردند. نتیجه این کار چیزی شد که تا پیش از آن نه از عهده هیچ انسانی و نه هیچ الگوریتم سنتی و کلاسیکی برنیامده بود. بنابراین در این حالت الگوریتم یادگیری ماشینی مدل جدیدی را بر مبنای دیتای موجود توسعه داد که قادر به شناسایی و درک روابطی بود که از دید انسان به دورمانده بود و تابع قاعده و قانون مشخصی هم نبود. همان‌طور که پیش‌‌‌ از این نیز گفته شد، این هوش مصنوعی مدرن برای یادگیری خود به قواعد و روابط از پیش تعریف‌‌‌شده توسط انسان نیازی ندارد که رابطه علت و معلولی خاصی برای آن تعریف شود. به‌‌‌عنوان‌‌‌مثال هوش مصنوعی مدرن این توانایی را دارد که متقاضیان شغلی دارای بالاترین شانس را از بین انبوهی از افراد برگزیند و علاوه بر این، بر مبنای بازخوردهایی که از دنیای واقعی می‌گیرد می‌تواند هم نتایج را پیش‌بینی کند و ابهامات موجود را به‌‌‌درستی مورد تجزیه‌‌‌ و تحلیل قرار دهد. درواقع، الگوریتم‌‌‌های یادگیری ماشینی به‌‌‌مانند الگوریتم‌‌‌های کلاسیک از یکسری مراحل عبور می‌‌‌کنند. با این تفاوت که این مراحل به‌‌‌طور مستقیم به نتایجی خاص منتهی نمی‌‌‌شوند، بلکه هدف از عبور از این مراحل آن است که کیفیت نتایج احتمالی از قبل‌سنجیده شود و یادگیری معناداری در این میان حاصل آید.

به‌‌‌طور کلی، هر چه شبکه‌‌‌های عصبی مورد استفاده هوش مصنوعی دیتای بیشتری را دریافت کنند و از لایه‌‌‌های شبکه‌‌‌ای بیشتری برخوردار باشند به شکل بهتری قادر خواهند بود تا روابط موجود را کشف کنند.  به همین دلیل هم هست که در یادگیری عمیق امروز از شبکه‌‌‌های عصبی دارای چند لایه (حدود ده لایه) استفاده می‌شود. بااین‌‌‌حال باید دانست که شبکه‌‌‌های عصبی بسیار منبع محور هستند و اجرای فرآیندهایشان به قدرت محاسباتی بالا و الگوریتم‌‌‌های پیچیده‌‌‌ای نیاز دارد که بتوانند حجم عظیمی از داده‌‌‌ها را تحلیل کنند و تطبیق دهند.

درواقع هوش مصنوعی نمی‌تواند مثل انسان آموزش ببیند و سپس آموخته‌‌‌هایش را به مرحله اجرا درآورد، بلکه می‌‌‌کوشد تا تلاش‌‌‌هایش را در دو مرحله متمرکز کند: آموزش دیدن و استنتاج. در مرحله آموزش، الگوریتم‌‌‌های سنجش و بهبود کیفیت هوش مصنوعی به کار می‌‌‌افتند و عملکرد مدل‌‌‌های موجود را برای دستیابی به نتایج مطلوب مورد ارزیابی قرار می‌‌‌دهند که در مورد هالی‌‌‌سین این مرحله در قالب شناسایی روابط بین ساختارهای مولکولی و اثربخشی آنتی‌‌‌بیوتیک بر مبنای دیتای آموزشی انجام شد. در مرحله استنتاج نیز محققان از هوش مصنوعی خواستند تا آنتی‌‌‌بیوتیک‌‌‌هایی را شناسایی کند که بر اساس پیش‌بینی‌‌‌های صورت گرفته در مرحله آموزش دارای اثر آنتی‌‌‌بیوتیکی بالایی بودند. در اینجا هوش مصنوعی با استدلال‌‌‌هایی شبیه به استدلال انسانی اقدام به نتیجه‌‌‌گیری نکرد بلکه این نتیجه‌‌‌گیری را با به‌‌‌کارگیری همان مدلی انجام داد که خودش توسعه داده بود.